Statistiques de transaction

Spanner fournit des tables intégrées qui stockent des statistiques sur les transactions. Vous pouvez récupérer les statistiques de ces tables SPANNER_SYS.TXN_STATS* à l'aide d'instructions SQL.

Quand utiliser les statistiques sur les transactions ?

Les statistiques sur les transactions sont utiles pour analyser les problèmes de performances. Par exemple, vous pouvez vérifier si des transactions de longue durée sont susceptibles d'affecter les performances ou le nombre de requêtes par seconde (RPS) de votre base de données. Un autre scénario se produit lorsque vos applications clientes subissent une latence élevée pour l'exécution des transactions. L'analyse des statistiques relatives aux transactions peut aider à détecter les goulots d'étranglement potentiels, tels que des volumes de mises à jour importants sur une colonne particulière, susceptibles d'impacter la latence.

Disponibilité

Les données SPANNER_SYS ne sont disponibles que via des interfaces SQL. Exemple :

  • Page Spanner Studio d'une base de données dans la console Google Cloud

  • La commande gcloud spanner databases execute-sql

  • Le tableau de bord Insights sur les transactions

  • L'API executeQuery

Les autres méthodes de lecture unique fournies par Spanner ne sont pas compatibles avec SPANNER_SYS.

Statistiques de latence regroupées par transaction

Les tableaux suivants permettent d'effectuer le suivi des statistiques des transactions TOP consommant des ressources au cours d'une période donnée.

  • SPANNER_SYS.TXN_STATS_TOP_MINUTE : statistiques des transactions cumulées sur une minute.

  • SPANNER_SYS.TXN_STATS_TOP_10MINUTE : statistiques des transactions cumulées sur des intervalles de 10 minutes.

  • SPANNER_SYS.TXN_STATS_TOP_HOUR : statistiques des transactions cumulées sur une heure.

Ces tables ont les propriétés suivantes :

  • Chaque table contient les données correspondant à des intervalles de temps sans chevauchement de la durée spécifiée par le nom de la table.

  • Les intervalles sont définis selon l'heure réelle. Les intervalles d'une minute se terminent toutes les minutes, les intervalles de 10 minutes s'achèvent toutes les 10 minutes à partir de l'heure juste, et les intervalles d'une heure prennent fin toutes les heures.

    Par exemple, à 11:59:30, les intervalles les plus récents disponibles pour les requêtes SQL sont les suivants :

    • 1 minute : 11:58:00 – 11:58:59
    • 10 minutes : 11:40:00 – 11:49:59
    • 1 heure : 10:00:00 – 10:59:59

  • Spanner regroupe les statistiques en fonction du FPRINT (empreinte) des transactions. Si un tag de transaction est présent, FPRINT est le hachage de la balise. Sinon, il s'agit du hachage calculé en fonction des opérations impliquées dans la transaction.

  • Étant donné que les statistiques sont regroupées en fonction du FPRINT, si la même transaction est exécutée plusieurs fois dans un intervalle de temps donné, ces tables n'affichent qu'une seule entrée pour cette transaction.

  • Chaque ligne contient les statistiques correspondant à toutes les exécutions d'une transaction donnée pour laquelle Spanner enregistre des statistiques pendant l'intervalle spécifié.

  • Si Spanner n'est pas en mesure de stocker les statistiques de toutes les transactions exécutées pendant l'intervalle indiqué dans ces tables, le système priorise les transactions la latence la plus élevée, le nombre de tentatives de commit et le nombre d'octets écrits pendant la période spécifiée l'intervalle.

  • Toutes les colonnes des tables peuvent être nulles.

Schéma de la table

Nom de la colonne Type Description
INTERVAL_END TIMESTAMP Fin de l'intervalle de temps au cours duquel les exécutions de transaction retenues ont eu lieu.
TRANSACTION_TAG STRING Tag de transaction facultatif pour cette opération de transaction. Pour en savoir plus sur l'utilisation des tags, consultez la page Résoudre les problèmes liés aux tags de transaction. Les statistiques de plusieurs transactions pour lesquelles le paramètre même chaîne de tag sont regroupées sur une seule ligne avec le paramètre "TRANSACTION_TAG" correspondant à cette chaîne de tag.
FPRINT INT64 Hachage de TRANSACTION_TAG, le cas échéant. Dans le cas contraire, le hachage est calculé en fonction des opérations associées à la transaction. L'ensemble composé de INTERVAL_END et FPRINT constitue une clé unique pour ces tables.
READ_COLUMNS ARRAY<STRING> Ensemble de colonnes lues par la transaction.
WRITE_CONSTRUCTIVE_COLUMNS ARRAY<STRING> Ensemble de colonnes ayant été écrites (c'est-à-dire ayant été assignées à de nouvelles valeurs) par la transaction.

Pour les flux de modifications, si la transaction implique l'écriture dans des colonnes tables surveillées par un flux de modifications, WRITE_CONSTRUCTIVE_COLUMNS contiendra deux colonnes : .data et ._exists 1, précédé d'un nom de flux de modifications.
WRITE_DELETE_TABLES ARRAY<STRING> Ensemble de tables dont les lignes ont été supprimées ou remplacées par la transaction.
ATTEMPT_COUNT INT64 Nombre total de tentatives de la transaction, y compris les de tentatives qui abandonnent avant d'appeler "commit".
COMMIT_ATTEMPT_COUNT INT64 Nombre total de tentatives de commit de transaction. Il doit correspondre au nombre d'appels à la méthode commit de la transaction.
COMMIT_ABORT_COUNT INT64 Nombre total de tentatives de transactions annulées, y compris celles-ci qui ont été annulées avant l'appel de la méthode commit de la transaction .
COMMIT_RETRY_COUNT INT64 Nombre total de tentatives qui sont des nouvelles tentatives à partir d'anciennes tentatives abandonnées. Une transaction Spanner peut être tentée plusieurs fois avant d'être validée en raison de conflits de verrouillage ou d'événements temporaires. Un nombre élevé de nouvelles tentatives par rapport aux tentatives de validation indique qu'il peut y avoir des problèmes à examiner. Pour en savoir plus, consultez Comprendre les transactions et le nombre de commits sur cette page.
COMMIT_FAILED_PRECONDITION_COUNT INT64 Nombre total de tentatives de validation de transaction ayant renvoyé des erreurs de condition préalable, telles que des cas de non-respect de l'indice UNIQUE, des lignes déjà existantes, des lignes introuvables, etc.
AVG_PARTICIPANTS FLOAT64 Nombre moyen de participants à chaque tentative de commit. Pour en savoir plus sur les participants, consultez Vie de Lectures et Écritures :
AVG_TOTAL_LATENCY_SECONDS FLOAT64 Nombre moyen de secondes écoulées entre la première opération de la transaction et le commit ou l'abandon.
AVG_COMMIT_LATENCY_SECONDS FLOAT64 Nombre moyen de secondes nécessaires pour effectuer l'opération de commit.
AVG_BYTES FLOAT64 Nombre moyen d'octets écrits par la transaction.
TOTAL_LATENCY_DISTRIBUTION ARRAY<STRUCT>

Un histogramme de la latence totale du commit, qui correspond au temps écoulé l'heure de début de la première opération transactionnelle au commit délai d'annulation pour toutes les tentatives d'une transaction.

Si une transaction est annulée plusieurs fois avant d'être validée, la latence est mesurée pour chaque jusqu'au dernier commit réussi. Les valeurs sont mesurées en secondes.

Le tableau contient un seul élément et présente le type suivant:
ARRAY<STRUCT<
  COUNT INT64,
  MEAN FLOAT64,
  SUM_OF_SQUARED_DEVIATION FLOAT64,
  NUM_FINITE_BUCKETS INT64,
  GROWTH_FACTOR FLOAT64,
  SCALE FLOAT64,
  BUCKET_COUNTS ARRAY<INT64>>>
Pour en savoir plus sur les valeurs, consultez Distribution.

Pour calculer la latence en centile souhaitée à partir de la distribution, utilisez la fonction SPANNER_SYS.DISTRIBUTION_PERCENTILE(distribution, n FLOAT64), qui renvoie le ne centile estimé. Pour consulter un exemple, consultez Trouver la latence au 99e percentile pour les transactions.

Pour en savoir plus, consultez Centiles et métriques de valeur de distribution.

OPERATIONS_BY_TABLE ARRAY<STRUCT>

Impact des opérations INSERT ou UPDATE par transaction par table. Cela est indiqué par le nombre de fois où les lignes sont affectées et le nombre d'octets écrits.

Cette colonne permet de visualiser la charge sur les tables et fournit des insights sur la fréquence à laquelle une transaction écrit dans les tables.

Spécifiez le tableau comme suit :
ARRAY<STRUCT<
  TABLE STRING(MAX),
  INSERT_OR_UPDATE_COUNT INT64,
  INSERT_OR_UPDATE_BYTES INT64>>

1 _exists est un champ interne utilisé pour vérifier si une ligne existe ou non.

Exemples de requêtes

Cette section présente plusieurs exemples d'instructions SQL permettant d'extraire des statistiques sur les transactions. Vous pouvez exécuter ces instructions SQL à l'aide du bibliothèques clientes, gcloud spanner ou Console Google Cloud :

Répertorier les statistiques de base de chaque transaction sur une période donnée

La requête suivante renvoie les données brutes correspondant aux principales transactions exécutées au cours de la minute précédente.

SELECT fprint,
       read_columns,
       write_constructive_columns,
       write_delete_tables,
       avg_total_latency_seconds,
       avg_commit_latency_seconds,
       operations_by_table,
       avg_bytes
FROM spanner_sys.txn_stats_top_minute
WHERE interval_end =
  (SELECT MAX(interval_end)
   FROM spanner_sys.txn_stats_top_minute);
Sortie de la requête
fprint read_columns write_constructive_columns write_delete_tables avg_total_latency_seconds avg_commit_latency_seconds operations_by_table avg_bytes
40015598317 [] ["Routes.name", "Cars.model"] ["Users"] 0.006578737 0.006547737 [["Cars",1107,30996],["Routes",560,26880]] 25286
20524969030 ["id", "no"] [] [] 0.001732442 0.000247442 [] 0
77848338483 [] [] ["Cars", "Routes"] 0.033467418 0.000251418 [] 0

Répertorier les transactions avec la latence de commit moyenne la plus élevée

La requête suivante renvoie les transactions avec une latence de commit moyenne élevée au cours de l'heure précédente, triées de la latence de commit moyenne la plus élevée à la plus faible.

SELECT fprint,
       read_columns,
       write_constructive_columns,
       write_delete_tables,
       avg_total_latency_seconds,
       avg_commit_latency_seconds,
       avg_bytes
FROM spanner_sys.txn_stats_top_hour
WHERE interval_end =
  (SELECT MAX(interval_end)
   FROM spanner_sys.txn_stats_top_hour)
ORDER BY avg_commit_latency_seconds DESC;
Sortie de la requête
fprint read_columns write_constructive_columns write_delete_tables avg_total_latency_seconds avg_commit_latency_seconds avg_bytes
40015598317 [] ["Routes.name", "Cars.model"] ["Users"] 0.006578737 0.006547737 25286
77848338483 [] [] ["Cars", "Routes"] 0.033467418 0.000251418 0
20524969030 ["id", "no"] [] [] 0.001732442 0.000247442 0

Déterminer la latence moyenne des transactions lisant certaines colonnes

La requête suivante renvoie les informations de latence moyenne pour les transactions qui lisent la colonne ADDRESS à partir des statistiques de l'heure précédente :

SELECT fprint,
       read_columns,
       write_constructive_columns,
       write_delete_tables,
       avg_total_latency_seconds
FROM spanner_sys.txn_stats_top_hour
WHERE 'ADDRESS' IN UNNEST(read_columns)
ORDER BY avg_total_latency_seconds DESC;
Sortie de la requête
fprint read_columns write_constructive_columns write_delete_tables avg_total_latency_seconds
77848338483 ["ID", "ADDRESS"] [] ["Cars", "Routes"] 0.033467418
40015598317 ["ID", "NAME", "ADDRESS"] [] ["Users"] 0.006578737

Répertorier les transactions en fonction du nombre moyen d'octets modifiés

La requête suivante renvoie les transactions échantillonnées au cours de l'heure précédente, triées suivant le nombre moyen d'octets modifiés par la transaction.

SELECT fprint,
       read_columns,
       write_constructive_columns,
       write_delete_tables,
       avg_bytes
FROM spanner_sys.txn_stats_top_hour
ORDER BY avg_bytes DESC;
Sortie de la requête
fprint read_columns write_constructive_columns write_delete_tables avg_bytes
40015598317 [] [] ["Users"] 25286
77848338483 [] [] ["Cars", "Routes"] 12005
20524969030 ["ID", "ADDRESS"] [] ["Users"] 10923

Statistiques globales

SPANNER_SYS contient également des tables de stockage des données agrégées pour toutes les transactions pour lesquelles Spanner a capturé des statistiques sur une période donnée :

  • SPANNER_SYS.TXN_STATS_TOTAL_MINUTE : statistiques globales pour toutes les transactions effectuées toutes les minutes
  • SPANNER_SYS.TXN_STATS_TOTAL_10MINUTE : statistiques globales pour toutes les transactions effectuées durant des intervalles de 10 minutes
  • SPANNER_SYS.TXN_STATS_TOTAL_HOUR : statistiques globales pour toutes les transactions effectuées toutes les heures

Les tableaux de statistiques globales présentent les propriétés suivantes :

  • Chaque table contient les données correspondant à des intervalles de temps sans chevauchement de la durée spécifiée par le nom de la table.

  • Les intervalles sont définis selon l'heure réelle. Les intervalles d'une minute se terminent toutes les minutes, les intervalles de 10 minutes s'achèvent toutes les 10 minutes à partir de l'heure juste, et les intervalles d'une heure prennent fin toutes les heures.

    Par exemple, à 11:59:30, les intervalles les plus récents disponibles pour les requêtes SQL sur les statistiques de transaction globales sont les suivants :

    • 1 minute : 11:58:00 – 11:58:59
    • 10 minutes : 11:40:00 – 11:49:59
    • 1 heure : 10:00:00 – 10:59:59

  • Chaque ligne contient les statistiques globales correspondant à l'ensemble des transactions exécutées sur la base de données au cours de l'intervalle spécifié. Il n'y a par conséquent qu'une seule ligne par intervalle de temps.

  • Les statistiques capturées dans les tables SPANNER_SYS.TXN_STATS_TOTAL_* peuvent inclure des transactions que Spanner n'a pas capturées dans les tables SPANNER_SYS.TXN_STATS_TOP_*.

  • Certaines colonnes de ces tables sont présentées en tant que métriques dans Cloud Monitoring. Les métriques exposées sont les suivantes:

    • Nombre de tentatives de commit
    • Nombre de tentatives de validation
    • Participants à la transaction
    • Latence des transactions
    • Octets écrits

    Pour en savoir plus, consultez la section Métriques Spanner.

Schéma de la table

Nom de la colonne Type Description
INTERVAL_END TIMESTAMP Fin de l'intervalle de temps au cours duquel cette statistique a été capturée.
ATTEMPT_COUNT INT64 Nombre total de tentatives de transactions, y compris les de tentatives qui abandonnent avant d'appeler "commit".
COMMIT_ATTEMPT_COUNT INT64 Nombre total de tentatives de commit de transaction. Il doit correspondre au nombre d'appels à la méthode commit de la transaction.
COMMIT_ABORT_COUNT INT64 Nombre total de tentatives de transactions annulées, y compris celles-ci qui sont annulées avant l'appel de la méthode commit de la transaction .
COMMIT_RETRY_COUNT INT64 Nombre de tentatives de commit qui sont de nouvelles tentatives après un abandon tentatives. Une transaction Spanner a peut-être été tentée plusieurs fois avant le commit en raison de conflits de verrouillage ou d'événements temporaires. Un nombre élevé de nouvelles tentatives par rapport aux tentatives de validation indique qu'il peut y avoir des problèmes à examiner. Pour en savoir plus, consultez Comprendre les transactions et le nombre de commits sur cette page.
COMMIT_FAILED_PRECONDITION_COUNT INT64 Nombre total de tentatives de validation de transactions ayant renvoyé une condition préalable ayant échoué erreurs, telles que UNIQUE violations d'index, la ligne existe déjà, la ligne est introuvable, et ainsi de suite.
AVG_PARTICIPANTS FLOAT64 Nombre moyen de participants à chaque tentative de commit. Pour en savoir plus sur les participants, consultez la page Déroulement des opérations de lecture et d'écriture Spanner.
AVG_TOTAL_LATENCY_SECONDS FLOAT64 Nombre moyen de secondes écoulées entre la première opération de la transaction et le commit ou l'abandon.
AVG_COMMIT_LATENCY_SECONDS FLOAT64 Nombre moyen de secondes nécessaires pour effectuer l'opération de commit.
AVG_BYTES FLOAT64 Nombre moyen d'octets écrits par la transaction.
TOTAL_LATENCY_DISTRIBUTION ARRAY<STRUCT>

Un histogramme de la latence totale du commit, qui correspond au temps écoulé heure de début de la première opération transactionnelle à l'heure de commit ou d'abandon pour toutes les tentatives de transaction.

Si une transaction est interrompue plusieurs fois, puis qu'elle est validée, la latence est mesurée pour chaque tentative jusqu'à la validation finale. Les valeurs sont mesurées en secondes.

Le tableau ne contient qu'un seul élément et a le type suivant :
ARRAY<STRUCT<
  COUNT INT64,
  MEAN FLOAT64,
  SUM_OF_SQUARED_DEVIATION FLOAT64,
  NUM_FINITE_BUCKETS INT64,
  GROWTH_FACTOR FLOAT64,
  SCALE FLOAT64,
  BUCKET_COUNTS ARRAY<INT64>>>
Pour en savoir plus sur les valeurs, consultez la section Distribution.

Pour calculer la latence en centile souhaitée à partir de la distribution, utilisez la fonction SPANNER_SYS.DISTRIBUTION_PERCENTILE(distribution, n FLOAT64), qui renvoie le ne centile estimé. Pour voir un exemple, consultez Trouver le 99e centile la latence des transactions.

Pour en savoir plus, consultez la section Centiles et métriques à valeur de distribution.

OPERATIONS_BY_TABLE ARRAY<STRUCT>

Impact des opérations INSERT ou UPDATE par toutes les transactions par table. Cela est indiqué par le nombre de lignes et le nombre d'octets écrits.

Cette colonne permet de visualiser la charge sur les tables et fournit des insights sur le débit d'écriture des transactions dans les tables.

Spécifiez le tableau comme suit:
ARRAY<STRUCT<
  TABLE STRING(MAX),
  INSERT_OR_UPDATE_COUNT INT64,
  INSERT_OR_UPDATE_BYTES INT64>>

Exemples de requêtes

Cette section présente plusieurs exemples d'instructions SQL permettant d'extraire des statistiques sur les transactions. Vous pouvez exécuter ces instructions SQL à l'aide des bibliothèques clientes, de gcloud spanner ou de la console Google Cloud.

Trouver le nombre total de tentatives de commit pour toutes les transactions

La requête suivante renvoie le nombre total de tentatives de commit pour toutes les transactions au cours de la dernière minute complète :

SELECT interval_end,
       commit_attempt_count
FROM spanner_sys.txn_stats_total_minute
WHERE interval_end =
  (SELECT MAX(interval_end)
   FROM spanner_sys.txn_stats_total_minute)
ORDER BY interval_end;
Sortie de la requête
interval_end commit_attempt_count
2020-01-17 11:46:00-08:00 21

Notez qu'il n'y a qu'une ligne dans le résultat, car les statistiques agrégées ne comportent qu'une seule entrée par interval_end pour une durée donnée.

Déterminer la latence de commit totale pour l'ensemble des transactions

La requête suivante renvoie la latence de commit totale pour toutes les transactions au cours des 10 dernières minutes :

SELECT (avg_commit_latency_seconds * commit_attempt_count / 60 / 60)
  AS total_commit_latency_hours
FROM spanner_sys.txn_stats_total_10minute
WHERE interval_end =
  (SELECT MAX(interval_end)
   FROM spanner_sys.txn_stats_total_10minute);
Sortie de la requête
total_commit_latency_hours
0.8967

Notez qu'il n'y a qu'une ligne dans le résultat, car les statistiques agrégées ne comportent qu'une seule entrée par interval_end pour une durée donnée.

Déterminer la latence au 99e centile des transactions

La requête suivante renvoie la latence du 99e centile pour les transactions exécutées des 10 dernières minutes:

SELECT interval_end, avg_total_latency_seconds,
       SPANNER_SYS.DISTRIBUTION_PERCENTILE(total_latency_distribution[OFFSET(0)], 99.0)
  AS percentile_latency
FROM spanner_sys.txn_stats_total_10minute
WHERE interval_end =
  (SELECT MAX(interval_end)
   FROM spanner_sys.txn_stats_total_10minute)
ORDER BY interval_end;
Sortie de la requête
interval_end avg_total_latency_seconds percentile_latency
2022-08-17 11:46:00-08:00 0.34576998305986395 9.00296190476190476

Notez la grande différence entre la latence moyenne et la latence du 99e centile. La latence au 99e centile permet d'identifier les transactions anormales présentant une latence élevée.

Il n'y a qu'une seule ligne dans le résultat, car les statistiques agrégées ne comportent qu'une seule entrée par interval_end pour une durée donnée.

Conservation des données

Spanner conserve les données de chaque table pendant une durée minimale variable selon le type de table :

  • SPANNER_SYS.TXN_STATS_TOP_MINUTE et SPANNER_SYS.TXN_STATS_TOTAL_MINUTE : intervalles couvrant les six heures précédentes

  • SPANNER_SYS.TXN_STATS_TOP_10MINUTE et SPANNER_SYS.TXN_STATS_TOTAL_10MINUTE : intervalles couvrant les quatre derniers jours.

  • SPANNER_SYS.TXN_STATS_TOP_HOUR et SPANNER_SYS.TXN_STATS_TOTAL_HOUR : intervalles couvrant les 30 derniers jours.

Les statistiques de transaction dans Spanner vous renseignent sur la façon dont une application utilise la base de données et sont utiles pour examiner les problèmes de performances. Par exemple, vous pouvez vérifier si des transactions de longue durée sont susceptibles d'entraîner des conflits, ou identifier des sources potentielles de charge élevée, telles que des volumes de mises à jour importants sur une colonne particulière. Les étapes ci-dessous vous montreront comment utiliser les statistiques de transaction pour étudier les situations de contention au sein de votre base de données.

Comprendre les transactions et le nombre de commits

Une transaction Spanner peut devoir être testée plusieurs fois avant d'être validée. Cela se produit le plus souvent lorsque deux transactions tentent de travailler sur les mêmes données en même temps et que l'une d'elles doit être interrompue pour préserver la propriété d'isolation de la transaction. D'autres événements temporaires pouvant également entraîner l'annulation d'une transaction inclure:

  • Problèmes de réseau temporaires.

  • Modifications du schéma de base de données appliquées pendant le processus de validation d'une transaction.

  • L'instance Spanner n'est pas en mesure de gérer toutes les de requêtes qu'il reçoit.

Dans de tels scénarios, un client doit réessayer la transaction interrompue jusqu'à ce qu'elle soit validée ou qu'elle expire. Pour les utilisateurs des bibliothèques clientes Spanner officielles, chaque bibliothèque a implémenté un mécanisme de nouvelle tentative automatique. Si vous utilisez une version personnalisée code client, encapsulez les commits de transaction dans une boucle de nouvelle tentative.

Une transaction Spanner peut également être annulée en raison d'une erreur ne pouvant pas être récupérée. comme un délai avant expiration de la transaction, des problèmes d'autorisation ou une table/colonne non valide son nom. Il n'est pas nécessaire de réessayer ces transactions, et la bibliothèque cliente Spanner renvoie immédiatement l'erreur.

Le tableau suivant décrit quelques exemples illustrant comment COMMIT_ATTEMPT_COUNT, COMMIT_ABORT_COUNT et COMMIT_RETRY_COUNT sont consignés dans des scénarios différents.

Scénario COMMIT_ATTEMPT_COUNT COMMIT_ABORT_COUNT COMMIT_RETRY_COUNT
La transaction a bien été validée à la première tentative. 1 0 0
Transaction annulée en raison d'une erreur de délai avant expiration. 1 1 0
La transaction a été interrompue en raison d'un problème réseau temporaire et a été validée après une nouvelle tentative. 2 1 1
Cinq transactions avec le même FPRINT sont exécutées dans un intervalle de 10 minutes. Trois des transactions ont été validées lors de la première tentative, tandis que deux transactions ont été annulées, puis validées lors de la première nouvelle tentative. 7 2 2

Les données des tables "transactions-stats" sont des données agrégées sur un intervalle de temps. Pendant un intervalle particulier, une transaction peut être annulée et les nouvelles tentatives se produisent autour des limites et tombent dans des buckets différents. En tant que dans un intervalle de temps donné, le nombre d'abandons et de nouvelles tentatives peut être différent.

Ces statistiques sont conçues pour le dépannage et l'introspection et leur précision n'est pas garantie à 100 %. Les statistiques sont agrégées en mémoire avant d'être stockées dans des tables Spanner. Lors d'une mise à niveau ou d'une autre activités de maintenance, les serveurs Spanner peuvent redémarrer, ce qui affecte la précision des chiffres.

Résoudre les problèmes de contention de bases de données à l'aide de statistiques de transaction

Vous pouvez utiliser du code SQL ou le tableau de bord Insights sur les transactions pour afficher les transactions de votre base de données susceptibles de provoquer des latences élevées en raison de conflits de verrouillage.

Les articles suivants expliquent comment examiner ces transactions à l'aide de code SQL.

Sélectionner la période à examiner

Vous le trouverez dans l'application qui utilise Spanner.

Pour les besoins de cet exercice, imaginons que le problème a commencé vers 17h20 le 17 mai 2020.

Vous pouvez utiliser des tags de transaction pour identifier la source de la transaction. corréler entre le tableau des statistiques des transactions et les tableaux des statistiques des verrouillages pour pour résoudre efficacement les conflits de verrous. Pour en savoir plus, consultez Résoudre les problèmes liés aux tags de transaction.

Collecter les statistiques de transaction pour la période sélectionnée

Pour commencer notre enquête, nous allons interroger la table TXN_STATS_TOTAL_10MINUTE sur la période correspondant au début du problème. Les résultats de cette requête nous indiqueront comment ont évolué la latence et autres statistiques sur les transactions au cours de cette période.

Par exemple, la requête suivante renvoie les statistiques de transaction agrégées de 4:30 pm à 7:40 pm (inclus).

SELECT
  interval_end,
  ROUND(avg_total_latency_seconds,4) as avg_total_latency_seconds,
  commit_attempt_count,
  commit_abort_count
FROM SPANNER_SYS.TXN_STATS_TOTAL_10MINUTE
WHERE
  interval_end >= "2020-05-17T16:40:00"
  AND interval_end <= "2020-05-17T19:40:00"
ORDER BY interval_end;

Le tableau suivant répertorie les données d'exemple renvoyées par notre requête.

interval_end avg_total_latency_seconds commit_attempt_count commit_abort_count
2020-05-17 16:40:00-07:00 0,0284 315691 5170
2020-05-17 16:50:00-07:00 0,0250 302124 3828
2020-05-17 17:00:00-07:00 0,0460 346087 11382
2020-05-17 17:10:00-07:00 0,0864 379964 33826
2020-05-17 17:20:00-07:00 0,1291 390343 52549
2020-05-17 17:30:00-07:00 0,1314 456455 76392
2020-05-17 17:40:00-07:00 0,1598 507774 121458
2020-05-17 17:50:00-07:00 0,1641 516587 115875
2020-05-17 18:00:00-07:00 0,1578 552711 122626
2020-05-17 18:10:00-07:00 0,1750 569460 154205
2020-05-17 18:20:00-07:00 0,1727 613571 160772
2020-05-17 18:30:00-07:00 0,1588 601994 143044
2020-05-17 18:40:00-07:00 0,2025 604211 170019
2020-05-17 18:50:00-07:00 0,1615 601622 135601
2020-05-17 19:00:00-07:00 0,1653 596804 129511
2020-05-17 19:10:00-07:00 0,1414 560023 112247
2020-05-17 19:20:00-07:00 0,1367 570864 100596
2020-05-17 19:30:00-07:00 0,0894 539729 65316
2020-05-17 19:40:00-07:00 0,0820 479151 40398

Ici, nous voyons que la latence agrégée et le nombre d'abandons sont plus élevés dans les périodes mises en surbrillance. Nous pouvons choisir n'importe quel intervalle de 10 minutes durant lequel la latence agrégée et/ou le nombre d'abandons sont élevés. Nous allons choisir l'intervalle qui se termine à 2020-05-17T18:40:00 et l'utiliser lors de l'étape suivante pour identifier les transactions contribuant à une latence élevée et à un abandon.

Identifier les transactions qui présentent une latence élevée

Nous allons maintenant interroger la table TXN_STATS_TOP_10MINUTE dans l'intervalle sélectionné à l'étape précédente. À l'aide de ces informations, nous pouvons commencer à identifier les transactions qui présentent une latence élevée et/ou un nombre d'abandons élevé.

Exécutez la requête suivante pour obtenir les principales transactions ayant un impact sur les performances, par ordre décroissant de latence totale pour notre exemple d'intervalle se terminant à 2020-05-17T18:40:00.

SELECT
  interval_end,
  fprint,
  ROUND(avg_total_latency_seconds,4) as avg_total_latency_seconds,
  ROUND(avg_commit_latency_seconds,4) as avg_commit_latency_seconds,
  commit_attempt_count,
  commit_abort_count,
  commit_retry_count
FROM SPANNER_SYS.TXN_STATS_TOP_10MINUTE
WHERE
  interval_end = "2020-05-17T18:40:00"
ORDER BY avg_total_latency_seconds DESC;
interval_end fprint avg_total_latency_seconds avg_commit_latency_seconds commit_attempt_count commit_abort_count commit_retry_count
2020-05-17 18:40:00-07:00 15185072816865185658 0,3508 0,0139 278802 142205 129884
2020-05-17 18:40:00-07:00 15435530087434255496 0,1633 0,0142 129012 27177 24559
2020-05-17 18:40:00-07:00 14175643543447671202 0,1423 0,0133 5357 636 433
2020-05-17 18:40:00-07:00 898069986622520747 0,0198 0,0158 6 0 0
2020-05-17 18:40:00-07:00 10510121182038036893 0,0168 0,0125 7 0 0
2020-05-17 18:40:00-07:00 9287748709638024175 0,0159 0,0118 4269 1 0
2020-05-17 18:40:00-07:00 7129109266372596045 0,0142 0,0102 182227 0 0
2020-05-17 18:40:00-07:00 15630228555662391800 0,0120 0,0107 58 0 0
2020-05-17 18:40:00-07:00 7907238229716746451 0,0108 0,0097 65 0 0
2020-05-17 18:40:00-07:00 10158167220149989178 0,0095 0,0047 3454 0 0
2020-05-17 18:40:00-07:00 9353100217060788102 0,0093 0,0045 725 0 0
2020-05-17 18:40:00-07:00 9521689070912159706 0,0093 0,0045 164 0 0
2020-05-17 18:40:00-07:00 11079878968512225881 0,0064 0,0019 65 0 0

Nous pouvons constater clairement que la première ligne (mise en surbrillance) du tableau précédent montre une transaction présentant une latence élevée en raison d'un nombre élevé d'abandons de commit. Nous observons également un nombre élevé de tentatives de commit, ce qui indique les commits annulés ont été relancés par la suite. Nous analyserons le problème plus en détail à l'étape suivante.

Identifier les colonnes impliquées dans une transaction présentant une latence élevée

Au cours de cette étape, nous allons vérifier si les transactions à latence élevée travaillent sur le même ensemble de colonnes en récupérant les données read_columns, write_constructive_columns et write_delete_tables pour les transactions présentant un nombre élevé d'abandons. La valeur FPRINT sera également utile à l'étape suivante.

SELECT
  fprint,
  read_columns,
  write_constructive_columns,
  write_delete_tables
FROM SPANNER_SYS.TXN_STATS_TOP_10MINUTE
WHERE
  interval_end = "2020-05-17T18:40:00"
ORDER BY avg_total_latency_seconds DESC LIMIT 3;
fprint read_columns write_constructive_columns write_delete_tables
15185072816865185658 [TestHigherLatency._exists,TestHigherLatency.lang_status,TestHigherLatency.score,globalTagAffinity.shares] [TestHigherLatency._exists,TestHigherLatency.shares,TestHigherLatency_lang_status_score_index.shares] []
15435530087434255496 [TestHigherLatency._exists,TestHigherLatency.lang_status,TestHigherLatency.likes,globalTagAffinity.score] [TestHigherLatency._exists,TestHigherLatency.likes,TestHigherLatency_lang_status_score_index.likes] []
14175643543447671202 [TestHigherLatency._exists,TestHigherLatency.lang_status,TestHigherLatency.score,globalTagAffinity.ugcCount] [TestHigherLatency._exists,TestHigherLatency.ugcCount,TestHigherLatency_lang_status_score_index.ugcCount] []

Comme le résultat le montre dans le tableau précédent, les transactions présentant la latence totale moyenne la plus élevée lisent les mêmes colonnes. Nous pouvons également observer un conflit d'écriture, car les transactions écrivent dans la même colonne, à savoir TestHigherLatency._exists.

Déterminer l'évolution des performances des transactions au fil du temps

Nous pouvons voir l'évolution des statistiques associées à cette forme de transaction au cours d'une période donnée. Utilisez la requête suivante, où $FPRINT correspond à l'empreinte de la transaction à latence élevée déterminée à l'étape précédente.

SELECT
  interval_end,
  ROUND(avg_total_latency_seconds, 3) AS latency,
  ROUND(avg_commit_latency_seconds, 3) AS commit_latency,
  commit_attempt_count,
  commit_abort_count,
  commit_retry_count,
  commit_failed_precondition_count,
  avg_bytes
FROM SPANNER_SYS.TXN_STATS_TOP_10MINUTE
WHERE
  interval_end >= "2020-05-17T16:40:00"
  AND interval_end <= "2020-05-17T19:40:00"
  AND fprint = $FPRINT
ORDER BY interval_end;
interval_end latence commit_latency commit_attempt_count commit_abort_count commit_retry_count commit_failed_precondition_count avg_bytes
2020-05-17 16:40:00-07:00 0,095 0,010 53230 4752 4330 0 91
2020-05-17 16:50:00-07:00 0,069 0,009 61264 3589 3364 0 91
2020-05-17 17:00:00-07:00 0,150 0,010 75868 10557 9322 0 91
2020-05-17 17:10:00-07:00 0,248 0,013 103151 30220 28483 0 91
2020-05-17 17:20:00-07:00 0,310 0,012 130078 45655 41966 0 91
2020-05-17 17:30:00-07:00 0,294 0,012 160064 64930 59933 0 91
2020-05-17 17:40:00-07:00 0,315 0,013 209614 104949 96770 0 91
2020-05-17 17:50:00-07:00 0,322 0,012 215682 100408 95867 0 90
2020-05-17 18:00:00-07:00 0,310 0,012 230932 106728 99462 0 91
2020-05-17 18:10:00-07:00 0,309 0,012 259645 131049 125889 0 91
2020-05-17 18:20:00-07:00 0,315 0,013 272171 137910 129411 0 90
2020-05-17 18:30:00-07:00 0,292 0,013 258944 121475 115844 0 91
2020-05-17 18:40:00-07:00 0,350 0,013 278802 142205 134229 0 91
2020-05-17 18:50:00-07:00 0,302 0,013 256259 115626 109756 0 91
2020-05-17 19:00:00-07:00 0,315 0.014 250560 110662 100322 0 91
2020-05-17 19:10:00-07:00 0,271 0.014 238384 99025 90187 0 91
2020-05-17 19:20:00-07:00 0,273 0.014 219687 84019 79874 0 91
2020-05-17 19:30:00-07:00 0.198 0,013 195357 59370 55909 0 91
2020-05-17 19:40:00-07:00 0,181 0,013 167514 35705 32885 0 91

Dans le résultat ci-dessus, nous pouvons constater que la latence totale est élevée pour la période mise en surbrillance. De plus, si la latence totale est élevée, commit_attempt_count, commit_abort_count et commit_retry_count sont également élevés même si la latence de commit (commit_latency) n'a guère changé. Étant donné que les commits de transactions sont annulés plus fréquemment, le nombre de tentatives de commit est également élevé en raison des nouvelles tentatives de commit.

Conclusion

Dans cet exemple, nous avons constaté qu'un nombre élevé d'abandons de commit était la cause d'une latence élevée. L'étape suivante consiste à examiner les messages d'erreur associés aux abandons de commit et reçus par l'application afin de connaître la raison de ces abandons. En inspectant les journaux de l'application, nous constatons que, dans les faits, celle-ci a connu une modification de sa charge de travail durant cette période, c'est-à-dire qu'une autre forme de transaction est apparue avec un nombre élevé de attempts_per_second. Cette transaction différente (par exemple une tâche de nettoyage nocturne) est responsable des conflits de verrouillage supplémentaires.

Identifier les transactions qui n'ont pas été correctement réessayées

La requête suivante renvoie les transactions échantillonnées au cours des dix dernières minutes qui ont un nombre élevé d'abandons de commit, mais sans nouvelle tentative.

SELECT
  *
FROM (
  SELECT
    fprint,
    SUM(commit_attempt_count) AS total_commit_attempt_count,
    SUM(commit_abort_count) AS total_commit_abort_count,
    SUM(commit_retry_count) AS total_commit_retry_count
  FROM
    SPANNER_SYS.TXN_STATS_TOP_10MINUTE
  GROUP BY
    fprint )
WHERE
  total_commit_retry_count = 0
  AND total_commit_abort_count > 0
ORDER BY
  total_commit_abort_count DESC;
fprint total_commit_attempt_count total_commit_abort_count total_commit_retry_count
1557557373282541312 3367894 44232 0
5776062322886969344 13566 14 0

Nous pouvons voir que la transaction avec fprint 1557557373282541312 a été interrompue 44 232 fois, mais qu'elle n'a jamais été réessayée. Cela semble suspect, car l'annulation est élevé et il est peu probable que chaque abandon ait été causé par une erreur . En revanche, pour la transaction avec fprint, 5776062322886969344, elle est moins suspecte, car le nombre total d'abandons est de pas si haut.

La requête suivante renvoie plus d'informations sur la transaction avec fprint 1557557373282541312, y compris les read_columns, write_constructive_columns et write_delete_tables. Ces informations permettent d'identifier la transaction dans le code client, où la logique de nouvelle tentative peut être examinée pour ce scénario.

SELECT
  interval_end,
  fprint,
  read_columns,
  write_constructive_columns,
  write_delete_tables,
  commit_attempt_count,
  commit_abort_count,
  commit_retry_count
FROM
  SPANNER_SYS.TXN_STATS_TOP_10MINUTE
WHERE
  fprint = 1557557373282541312
ORDER BY
  interval_end DESC;
interval_end fprint read_columns write_constructive_columns write_delete_tables commit_attempt_count commit_abort_count commit_retry_count
2021-01-27T18:30:00Z 1557557373282541312 ['Singers._exists'] ['Singers.FirstName', 'Singers.LastName', 'Singers._exists'] [] 805228 1839 0
2021-01-27T18:20:00Z 1557557373282541312 ['Singers._exists'] ['Singers.FirstName', 'Singers.LastName', 'Singers._exists'] [] 1034429 38779 0
2021-01-27T18:10:00Z 1557557373282541312 ['Singers._exists'] ['Singers.FirstName', 'Singers.LastName', 'Singers._exists'] [] 833677 2266 0
2021-01-27T18:00:00Z 1557557373282541312 ['Singers._exists'] ['Singers.FirstName', 'Singers.LastName', 'Singers._exists'] [] 694560 1348 0

Nous pouvons constater que la transaction implique une lecture du Singers._exists masqué. pour vérifier l'existence d'une ligne. La transaction écrit également dans les colonnes Singers.FirstName et Singer.LastName. Ces informations peuvent vous aider à déterminer si le mécanisme de nouvelle tentative de transaction implémenté dans votre bibliothèque cliente personnalisée fonctionne comme prévu.

Étape suivante